LinEnum

[toc] 返回: Pytest权威教程 钩子(Hooks) 参考: 编写插件。 引用可由conftest.py文件实现的所有Hook方法。 引导时的Hook方法 引导时的Hook方法要求尽早注册插件(内部和setuptools插件)。 pytest_load_initial_conftests( early_config , parser , args ): 在命令行选项解析之前实现初始conftest文件的加载。 注意：不会为 conftest.py 文件调用此Hook方法,仅适用于setuptools插件。 参数： early_config ( _pytest.config.Config ) - pytest配置对象 args ( list *]*) - 在命令行上传递的参数列表 解析器 ( _pytest.config.Parser ) - 添加命令行选项 pytest_cmdline_preparse( config , args ): ( 不推荐 )在选项解析之前修改命令行参数。 此钩子被认为已弃用,将在未来的pytest版本中删除。考虑 pytest_load_initial_conftests() 改用。 注意：不会为 conftest.py 文件调用此Hook方法,仅适用于setuptools插件。 参数： config ( _pytest.config

前言 之前有个网友问我了一个很有价值的问题, 有关实现 数据可视化 的问题, 但是这个可视化问题不是一般的柱状图, 折现图之类的,而是 不规则刻度的数据可视化 .所以笔者思考了一下决定自己实现一个 动态刻度可视化组件 的方案, 来解决这一类的需求. 正文 最初的需求是这样的: 我们只需要输入文字, 数值比例, 就能生成如上图所示的刻度图.但是作为一名有追求的程序员, 需要对问题抽象化, 形成通用的解决方案,所以我们开始重组需求: 由上图我们可以拆解为一下几个需求点: 支持数值自定义 数值单位自定义 支持刻度组件宽度自定义 支持刻度线数量自定义 支持刻度变化幅度自定义 传入已有进度比例,即激活区范围 支持刻度样式自定义 支持数值样式自定义 支持自定义说明文本以及说明文本自定义 以上就是笔者挖掘的通用需求,当然有其他需求也可以渐进的增加. 确认了以上需求之后,我们开始选择技术选型, 笔者之前常用的技术栈是 vue 和 react ,所以接下来我们初步确认该组件采用如下技术方案: react + typescript + umi-library 如果大家擅长使用 vue , 也可以, 笔者之前也写过如何搭建 vue 的 组件库 相关的文章,感兴趣可以学习了解一下, 其本质思想是一致的. 接下来我们开始实现动态刻度可视化组件. 如果对umi不熟悉的,可以参考笔者之前写的文章

SOLID原则是一种编码的标准，为了避免不良设计，所有的软件开发人员都应该清楚这些原则。SOLID原则是由Robert C Martin推广并被广泛引用于面向对象编程中。正确使用这些规范将提升你的代码的可扩展性、逻辑性和可读性。 当开发人员按照不好的设计来开发软件时，代码将失去灵活性和健壮性。任何一点点小的修改都非常容易引起bug。因此，我们应该遵循SOLID原则。 首先我们需要花一些时间来了解SOLID原则，当你能够理解这些原则并正确使用时，你的代码质量将会得到大幅的提高。同时，它可以帮助你更好的理解一些优秀软件的设计。 为了理解SOLID原则，你必须清楚接口的用法，如果你还不理解接口的概念，建议你先读一读这篇文章。 下面我将用简单易懂的方式为你描述SOLID原则，希望能帮助你对这些原则有个初步的理解。 单一责任原则 一个类只能因为一个理由被修改。 A class should have one, and only one, reason to change. 一个类应该只为一个目标服务。并不是说每个类都只能有一个方法，但它们都应该与类的责任有直接关系。所有的方法和属性都应该努力做好同一类事情。当一个类具有多个目标或职责时，就应该创建一个新的类出来。 我们来看一下这段代码： 1 public class OrdersReportService { 2 3 public List

<div class="output_wrapper" id="output_wrapper_id" style="font-size: 16px; color: rgb(62, 62, 62); line-height: 1.6; word-spacing: 0px; letter-spacing: 0px; font-family: 'Helvetica Neue', Helvetica, 'Hiragino Sans GB', 'Microsoft YaHei', Arial, sans-serif; background-image: linear-gradient(90deg, rgba(50, 0, 0, 0.05) 3%, rgba(0, 0, 0, 0) 3%), linear-gradient(360deg, rgba(50, 0, 0, 0.05) 3%, rgba(0, 0, 0, 0) 3%); background-size: 20px 20px; background-position: center center;"><blockquote style="line-height: inherit; display: block; padding: 15px 15px 15px 1rem; font-size: 0.9em; margin: 1em

一、什么是主键、外键： 关系型 数据库 中的一条记录中有若干个属性，若其中某一个属性组(注意是组)能唯一标识一条记录，该属性组就可以成为一个主键 比如 学生表(学号，姓名，性别，班级) 其中每个学生的学号是唯一的，学号就是一个主键 课程表(课程编号,课程名,学分) 其中课程编号是唯一的,课程编号就是一个主键 成绩表(学号,课程号,成绩) 成绩表中单一一个属性无法唯一标识一条记录，学号和课程号的组合才可以唯一标识一条记录，所以 学号和课程号的属性组是一个主键 成绩表中的学号不是成绩表的主键，但它和学生表中的学号相对应，并且学生表中的学号是学生表的主键，则称成绩表中的学号是学生表的外键 同理 成绩表中的课程号是课程表的外键 定义主键和外键主要是为了维护关系数据库的完整性，总结一下： 1.主键是能确定一条记录的唯一标识，比如，一条记录包括身份正号，姓名，年龄。 身份证号是唯一能确定你这个人的，其他都可能有重复，所以，身份证号是主键。 2.外键用于与另一张表的关联。是能确定另一张表记录的字段，用于保持数据的一致性。 比如，A表中的一个字段，是B表的主键，那他就可以是A表的外键。 二、 主键、外键和索引的区别 主键、外键和索引的区别？ 主键 外键 索引 定义： 唯一标识一条记录，不能有重复的，不允许为空 表的外键是另一表的主键, 外键可以有重复的, 可以是空值 该字段没有重复值

目录 1、简介 2、算法细节 3、代码 3.1 主结构 3.2 Actor Critic 网络 3.3 Worker 3.4 Worker并行工作 4、参考 1、简介 A3C是Google DeepMind 提出的一种解决 Actor-Critic 不收敛问题的算法。我们知道DQN中很重要的一点是他具有经验池，可以降低数据之间的相关性，而A3C则提出降低数据之间的相关性的另一种方法： 异步 。 简单来说：A3C会创建多个 并行 的环境, 让多个拥有副结构的 agent 同时在这些并行环境上更新主结构中的参数. 并行中的 agent 们互不干扰, 而主结构的参数更新受到副结构提交更新的不连续性干扰, 所以更新的相关性被降低, 收敛性提高. 2、算法细节 A3C 的算法实际上就是将 Actor-Critic 放在了多个线程中进行同步训练. 可以想象成几个人同时在玩一样的游戏, 而他们玩游戏的经验都会同步上传到一个中央大脑. 然后他们又从中央大脑中获取最新的玩游戏方法。 这样, 对于这几个人, 他们的好处是: 中央大脑汇集了所有人的经验, 是最会玩游戏的一个, 他们能时不时获取到中央大脑的必杀招, 用在自己的场景中. 对于中央大脑的好处是: 中央大脑最怕一个人的连续性更新, 不只基于一个人推送更新这种方式能打消这种连续性. 使中央大脑不必像 DQN , DDPG

最近业务方有一个需求，需要一次导入超过100万数据到系统数据库。可能大家首先会想，这么大的数据，干嘛通过程序去实现导入，为什么不直接通过SQL导入到数据库。 大数据量报表导出请参考： Java实现大批量数据导入导出(100W以上)　-（二）导出 一、为什么一定要在代码实现 说说为什么不能通过SQL直接导入到数据库，而是通过程序实现： 1. 首先，这个导入功能开始提供页面导入，只是开始业务方保证的一次只有<3W的数据导入； 2. 其次，业务方导入的内容需要做校验，比如门店号，商品号等是否系统存在，需要程序校验； 3. 最后，业务方导入的都是编码，数据库中还要存入对应名称，方便后期查询，SQL导入也是无法实现的。 基于以上上三点，就无法直接通过SQL语句导入数据库。那就只能老老实实的想办法通过程序实现。 二、程序实现有以下技术难点 1. 一次读取这么大的数据量，肯定会导致服务器内存溢出； 2. 调用接口保存一次传输数据量太大，网络传输压力会很大； 3. 最终通过SQL一次批量插入，对数据库压力也比较大，如果业务同时操作这个表数据，很容易造成死锁。 三、解决思路 根据列举的技术难点我的解决思路是： 1. 既然一次读取整个导入文件，那就先将文件流上传到服务器磁盘，然后分批从磁盘读取（支持多线程读取），这样就防止内存溢出； 2. 调用插入数据库接口也是根据分批读取的内容进行调用； 3.

gdb命令调试技巧 一、信息显示 1、显示gdb版本 (gdb) show version 2、显示gdb版权 (gdb) show version or show warranty 3、启动时不显示提示信息gdb -q exe 或者.bashrc 添加alias gdb="gdb -q"，重启shell 4、退出时不显示提示信息(gdb) set confirm off 5、输出信息多时不会暂停输出(gdb)set pagination off 二、函数 1、列出函数的名字(gdb) info functions 2、是否进入待调试信息的函数(gdb)step s 3、进入不带调试信息的函数(gdb)set step-mode on 4、退出正在调试的函数(gdb)return expression 或者 (gdb)finish 5、直接执行函数(gdb)start 函数名 call函数名 6、打印函数堆栈帧信息(gdb)info frame or i frame 7、查看函数寄存器信息(gdb)i registers 8、查看函数反汇编代码(gdb)disassemble func 9、打印尾调用堆栈帧信息(gdb)set debug entry-values 1 10、选择函数堆栈帧(gdb)frame n 11、向上或向下切换函数堆栈帧(gdb)up n down n 三

Linux基本命令 echo（printf）即输出 -n：不换行； -e:使用\所引导的转义序列生效（需使用引号，引号前需要空格）； \n：换行； \t:水平制表符(相当于tab键)； 2.mkdir mkdir - make directories，创建新目录； -p, --parents：在创建目录的时候，如果其父目录不存在，则优先创建之； -v, --verbose：为每个被创建的目录显示一条信息； 3.pwd：显示当前工作目录的名字 4.ls:列表目录的内容 -a --all:显示所有文件，包括隐藏文件； -A, --all-most:显示出了“.”“..”以外的所有文件，包括隐藏文件； --color[=WHEN]:以不同的颜色来显示查询结果； -d，--directory:显示目录本身，而不是目录中的文件名； -h --human-readble:在显示文件大小的时候，显示为更加易读的格式；通常与-1选项一同使用； -l：使用长列表格式显示文件的详细属性： - 5.rm rm - remove files or directory rm [OPTION]... FILE... -f, --force：暴力，强制删除(不推荐使用)； -r, -R, --recursive：递归删除目录及目录中的内容； 6.nano:文本模式下的全屏编辑工具。 ^:脱字符，表示crtl键

最近业务方有一个需求，需要一次导入超过100万数据到系统数据库。可能大家首先会想，这么大的数据，干嘛通过程序去实现导入，为什么不直接通过SQL导入到数据库。 大数据量报表导出请参考： Java实现大批量数据导入导出(100W以上)　-（二）导出 一、为什么一定要在代码实现 说说为什么不能通过SQL直接导入到数据库，而是通过程序实现： 1. 首先，这个导入功能开始提供页面导入，只是开始业务方保证的一次只有<3W的数据导入； 2. 其次，业务方导入的内容需要做校验，比如门店号，商品号等是否系统存在，需要程序校验； 3. 最后，业务方导入的都是编码，数据库中还要存入对应名称，方便后期查询，SQL导入也是无法实现的。 基于以上上三点，就无法直接通过SQL语句导入数据库。那就只能老老实实的想办法通过程序实现。 二、程序实现有以下技术难点 1. 一次读取这么大的数据量，肯定会导致服务器内存溢出； 2. 调用接口保存一次传输数据量太大，网络传输压力会很大； 3. 最终通过SQL一次批量插入，对数据库压力也比较大，如果业务同时操作这个表数据，很容易造成死锁。 三、解决思路 根据列举的技术难点我的解决思路是： 1. 既然一次读取整个导入文件，那就先将文件流上传到服务器磁盘，然后分批从磁盘读取（支持多线程读取），这样就防止内存溢出； 2. 调用插入数据库接口也是根据分批读取的内容进行调用； 3.